云备份产品需求预测方法、装置、设备、介质及程序产品

技术领域

本申请涉及机器学习技术领域，尤其涉及一种云备份产品需求预测方法、装置、设备、介质及程序产品。

背景技术

目前，产品需求预测技术方案中的模型主要基于表格统计或人为设定特征的权重，或者基于逻辑回归、决策树、神经网络及随机森林等浅层机器学习算法。但是在大数据的背景下，这些静态或者浅层算法在预测问题上很难取得较高的精度，具体地，在通过这些静态或者浅层算法对云备份产品的潜在使用云用户进行预测时，其预测精度较低，并且导致云备份产品营销的成功率被降低。

发明内容

本申请的主要目的在于提供一种云备份产品需求预测方法、装置、设备、介质及程序产品，旨在解决现有的在预测云用户是否具有云备份产品需求时，存在的预测精度较低的技术问题。

为实现上述目的，本申请提供一种云备份产品需求预测方法，所述云备份产品需求预测方法包括以下步骤：

获取云用户的云平台使用数据；

对所述云平台使用数据进行预处理，得到用于预测所述云用户是否具有云备份产品需求的特征数据；

基于所述特征数据和预设的深度神经网络预测模型，预测所述云用户是否具有云备份产品需求。

可选地，所述特征数据包括：与云用户在网时长相关的至少ー个特征数据、与云用户数据量相关的至少一个特征数据、与数据增速量相关的至少ー个特征数据、与硬盘利用率相关的至少ー个特征数据、与硬盘I/O值相关的至少ー个特征数据、与系统软件配置复杂度相关的至少ー个特征数据、与带宽使用率相关的至少ー个特征数据和与云主机并发访问率相关的至少ー个特征数据。

可选地，所述基于所述特征数据和预设的深度神经网络预测模型，预测所述云用户是否具有云备份产品需求之前，包括：

获取深度神经网络预测模型；其中，

所述获取深度神经网络预测模型，包括：

基于tensorflow搭建深度神经网络模型；其中，所述深度神经网络模型包括设置有N个神经元的输入层、M个分别设置有多个神经元的隐藏层和一个输出层，所述N的取值与所述特征数据的数量相同；

基于预设的训练特征数据，对所述深度神经网络模型进行训练，训练得到所述深度神经网络模型的权重值；

基于已办理云备份产品的云用户所对应的测试特征数据，对加载有所述权重值的深度神经网络模型进行模型准确度测试；

当所述模型准确度大于预设阈值时，将加载有所述权重值的深度神经网络模型确定为所述深度神经网络预测模型。

可选地，所述基于预设的训练特征数据，对所述深度神经网络模型进行训练，训练得到所述深度神经网络模型的权重值，包括：

基于所述训练特征数据对所述深度神经网络模型进行迭代训练，得到更新后的深度神经网络模型，并确定所述更新后的深度神经网络模型是否满足预设迭代结束条件；

若所述更新后的深度神经网络模型满足所述预设迭代结束条件，则获取所述更新后的深度神经网络模型的权重值；

若所述更新后的深度神经网络模型未满足所述预设迭代结束条件，则返回所述基于所述训练特征数据对所述深度神经网络模型进行迭代训练，得到更新后的深度神经网络模型步骤，直至所述更新后的深度神经网络模型满足所述预设迭代结束条件。

可选地，所述基于所述特征数据和预设的深度神经网络预测模型，预测所述云用户是否具有云备份产品需求，包括：

将所述特征数据输入所述深度神经网络预测模型中，得到所述深度神经网络预测模型对所述特征数据进行分析后输出的数值：其中，

当所述数值为1时，确定所述云用户具有云备份产品需求；当所述数值为0时，确定所述云用户没有云备份产品需求。

可选地，所述基于所述特征数据和预设的深度神经网络预测模型，预测所述云用户是否具有云备份产品需求之后，包括：

基于所述云用户是否具有云备份产品需求的预测结果，获取具有云备份产品需求的云用户清单；其中，所述云用户清单中云用户对应的云用户信息为进行脱敏处理后的云用户信息。

此外，为实现上述目的，本申请还提供一种云备份产品需求预测装置，所述云备份产品需求预测装置包括：

第一获取模块，用于获取云用户的云平台使用数据；

第二获取模块，用于对所述云平台使用数据进行预处理，得到用于预测所述云用户是否具有云备份产品需求的特征数据；

预测模块，用于基于所述特征数据和预设的深度神经网络预测模型，预测所述云用户是否具有云备份产品需求。

此外，为实现上述目的，本申请还提供一种云备份产品需求预测设备，所述云备份产品需求预测设备包括存储器、处理器和存储在所述存储器上并可在所述处理器上运行的云备份产品需求预测程序，所述云备份产品需求预测程序被所述处理器执行时实现如上所述的云备份产品需求预测方法的步骤。

此外，为实现上述目的，本申请还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有云备份产品需求预测程序，所述云备份产品需求预测程序被处理器执行时实现如上所述的云备份产品需求预测方法的步骤。

此外，为实现上述目的，本申请还提供一种计算机程序产品，包括：计算机程序，所述计算机程序被处理器执行时实现如上所述的云备份产品需求预测方法的步骤。

与现有技术中，通过这些静态或者浅层算法对云备份产品的潜在使用云用户进行预测时的预测精度较低相比，本申请通过获取云用户的云平台使用数据；对所述云平台使用数据进行预处理，得到用于预测所述云用户是否具有云备份产品需求的特征数据；基于所述特征数据和预设的深度神经网络预测模型，预测所述云用户是否具有云备份产品需求。本申请实现了通过预测准确率高的预设的深度神经网络预测模型，对云用户是否具有云备份产品需求进行预测，提高了云用户的云备份产品需求预测的精度。

附图说明

图1是本申请云备份产品需求预测方法第一实施例的流程示意图；

图2是本申请云备份产品需求预测装置较佳实施例的功能模块示意图；

图3是本申请实施例方案涉及的硬件运行环境的结构示意图。

本申请目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

本申请提供一种云备份产品需求预测方法，参照图1，图1为本申请云备份产品需求预测方法第一实施例的流程示意图。

本申请实施例提供了云备份产品需求预测方法的实施例，需要说明的是，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。云备份产品需求预测方法可应用于终端和/或服务器中。为了便于描述，以下省略执行主体描述云备份产品需求预测方法的各个步骤。云备份产品需求预测方法包括：

步骤S10，获取云用户的云平台使用数据。

在本实施例中，获取云用户的云平台使用数据，其中，云平台使用数据可以包括以下至少一种：云用户在网时长、用户数据量、数据增速量、系统软件配置复杂度、并发访问率、硬盘利用率。

需要说明的是，上述云平台使用数据可以根据实际需要从移动云平台、云计算资源管理平台和云霄平台等云平台中导出。

需要说明的是，上述云平台使用数据所包括的数据可以并不限于以上数据，即还可以为从移动云平台、云计算资源管理平台和云霄平台中导出的其他数据。相应地，上述云平台使用数据的来源也不仅限于移动云平台、云计算资源管理平台和云霄平台，还可以根据需要从其他云平台中导出。

需要说明的是，上述云平台使用数据为在预设时间段内获取的数据，具体的，该预设时间段可以为六个月。需要说明的是，该预设时间段的取值可以根据实际情况而定，本实施例中不作具体限定。

需要说明的是，在获取云用户的云平台使用数据时，可以从上述云平台中获取脱敏处理后的云平台使用数据，以保护所获取的云平台使用数据所对应的云用户的隐私。

步骤S20，对所述云平台使用数据进行预处理，得到用于预测所述云用户是否具有云备份产品需求的特征数据。

在本实施例中，在获取到云平台使用数据之后，可以根据云平台使用数据，获取用于预测云用户是否具有云备份产品需求的特征数据，以通过该特征数据，对云用户是否具有云备份产品需求进行预测。

需要说明的是，每个云用户对应的特征数据的数量为多个，即每个云用户对应的特征数据为多维度的数据，从而保证了在根据特征数据预测云用户是否具有云备份产品需求时的准确性。

其中，所述特征数据包括：与云用户在网时长相关的至少ー个特征数据、与云用户数据量相关的至少一个特征数据、与数据增速量相关的至少ー个特征数据、与硬盘利用率相关的至少ー个特征数据、与硬盘I/O值相关的至少ー个特征数据、与系统软件配置复杂度相关的至少ー个特征数据、与带宽使用率相关的至少ー个特征数据和与云主机并发访问率相关的至少ー个特征数据。

在本实施例中，云用户数据量包括数据库存储量、文件存储量和虚拟机存储量中的至少一种；数据增速量包括数据库存储增速量、文件存储增速量和虚拟机存储增速量中的至少一种；硬盘利用率包括硬盘平均利用率和/或硬盘峰值利用率；硬盘I/O值包括硬盘平均I/O值和/或硬盘峰值I/O值。

步骤S30，基于所述特征数据和预设的深度神经网络预测模型，预测所述云用户是否具有云备份产品需求。

在本实施例中，输入特征数据至预设的深度神经网络预测模型，从而预测云用户是否具有云备份产品需求，其中，深度神经网络预测模型具有较高的准确度。

进一步地，所述基于所述特征数据和预设的深度神经网络预测模型，预测所述云用户是否具有云备份产品需求之前，包括：

步骤a，获取深度神经网络预测模型；其中，

所述获取深度神经网络预测模型，包括：

步骤a1，基于tensorflow搭建深度神经网络模型；其中，所述深度神经网络模型包括设置有N个神经元的输入层、M个分别设置有多个神经元的隐藏层和一个输出层，所述N的取值与所述特征数据的数量相同。

在本实施例中，在获取深度神经网络预测模型时，基于tensor1ow搭建的深度神经网络模型(神经网络)，包括：一个设置有N个神经元的输入层、一个输出层和M个分别设置有多个神经元的隐藏层。其中，输入层的工作过程为众多神经元接受大量非线形输入信息，该输入信息称为输入向量；输出层的工作过程为信息在神经元链接中传输、分析和权衡，形成输出结果，输出的信息称为输出向量；隐藏层是输入层和输出层之间众多神经元和链接组成的各个层面，其中，隐藏层可以有多层，隐藏层的节点(神经元)数目不定，但数目越多神经网络的非线性越显著，从而使得神经网络的强健性更显著。

需要说明的是，输入层中N的取值可以根据特征数据的数量而设定。例如，当特征数据的数量为14个时，则N的取值同样为14,即输入层包括有14个神经元。此外，M的取值可以为4,即深度神经网络模型中的隐藏层可以包括4层，其中，第一个隐藏层含有64个神经元，第二个隐藏层含有32个神经元，第三个隐藏层含有16个神经元，第四个隐藏层含有8个神经元。需要说明的是，隐藏层的排列顺序为数据在各层之间的传输顺序。另外，输出层包含一个神经元，即输出层输出的数据为一维数据。其中，深度神经网络模型中总共含有3713个参数由神经网络自己进行学习。

此外，隐藏层使用的激活函数均为线性整流函数(简称relu),输出层使用的激活函数为sigmoid。

需要说明的是，深度神经网络模型对应的函数为：

z

其中，z

需要说明的是，特征数据通过输入层输入后，相应的信息在前馈神经网络中逐层传递，得到神经网络的输出a(l)，其中，神经网络可以被看作一个复合函数φ(x；W,b)，并将x作为第1层的输入a(0)，将第l层的输出a(l)作为整个函数的输出。由此可得到上述逐层传递的过程为x＝a(0)→z(1)→a(1)→z(2)→…→a(L1)→z(L)→a(L)＝φ(x；W,b)，其中W,b表示网络中所有层的连接权重和偏置。需要说明的是，通过复合函数φ(x；W,b)即可开始对深度神经网络模型进行训练。

步骤a2，基于预设的训练特征数据，对所述深度神经网络模型进行训练，训练得到所述深度神经网络模型的权重值；

步骤a3，基于已办理云备份产品的云用户所对应的测试特征数据，对加载有所述权重值的深度神经网络模型进行模型准确度测试；

步骤a4，当所述模型准确度大于预设阈值时，将加载有所述权重值的深度神经网络模型确定为所述深度神经网络预测模型。

在本实施例中，获取用于确定深度神经网络预测模型的云平台使用数据，并将用于确定深度神经网络预测模型的云平台使用数据分为两部分，分别为训练特征数据和测试特征数据，其中，测试特征数据为已办理云备份产品的云用户所对应的测试特征数据，用于对通过训练特征数据训练得到的深度神经网络模型进行准确度测试，并在模型准确度大于预设阈值时，准确度测试通过，将加载有权重值的深度神经网络模型确定为深度神经网络预测模型，而在模型准确度小于或等于预设阈值时，返回基于预设的训练特征数据，对所述深度神经网络模型进行训练，训练得到所述深度神经网络模型的权重值步骤。

其中，对于深度神经网络模型的训练过程以及得到权重值的过程，其具体为：

所述基于预设的训练特征数据，对所述深度神经网络模型进行训练，训练得到所述深度神经网络模型的权重值，包括：

步骤a21，基于所述训练特征数据对所述深度神经网络模型进行迭代训练，得到更新后的深度神经网络模型，并确定所述更新后的深度神经网络模型是否满足预设迭代结束条件；

步骤a22，若所述更新后的深度神经网络模型满足所述预设迭代结束条件，则获取所述更新后的深度神经网络模型的权重值；

步骤a23，若所述更新后的深度神经网络模型未满足所述预设迭代结束条件，则返回所述基于所述训练特征数据对所述深度神经网络模型进行迭代训练，得到更新后的深度神经网络模型步骤，直至所述更新后的深度神经网络模型满足所述预设迭代结束条件。

在本实施例中，训练过程的目的为需要找到合适的所有隐藏层和输出层对应的线性系数矩阵W和偏倚向量b，从而让所有的训练特征数据对应的输出尽可能地等于或很接近目标输出。具体地，使用一个合适的损失函数来度量训练特征数据的输出损失，接着对这个损失函数进行优化求最小化的极值，极值对应的一系列线性系数矩阵W和偏倚向量b即为模型训练结果。在深度神经网络模型中，损失函数优化极值求解的过程最常见的一般是通过梯度下降法来一步步迭代完成的，也可以是其他的迭代方法比如牛顿法或拟牛顿法。其中，输出损失通过均方差来度量。

需要说明的是，在采用4个隐藏层调用激活函数后，随着训练次数的增加，训练误差逐渐降低，最终经过与测试特征数据进行对比，训练后的深度神经网络模型的精准度可达95.8％，相比于其他机器算法如softmax，精准度得到了提高。

具体地，通过训练特征数据对深度神经网络模型进行迭代训练，以得到更新后的深度神经网络模型。每次得到更新后的深度神经网络模型之后，都确定该更新后的深度神经网络模型是否满足预设迭代结束条件，若更新后的深度神经网络模型满足预设迭代结束条件，则迭代结束，并获取最后一个更新后的深度神经网络模型的权重值；若更新后的深度神经网络模型未满足迭代结束条件，则说明更新后的深度神经网络模型还不满足使用，返回所述基于所述训练特征数据对所述深度神经网络模型进行迭代训练，得到更新后的深度神经网络模型步骤，以继续对更新后的深度神经网络模型进行迭代训练更新，直至更新后的深度神经网络模型满足迭代结束条件为止。

进一步地，在训练得到深度神经网络预测模型之后，所述基于所述特征数据和预设的深度神经网络预测模型，预测所述云用户是否具有云备份产品需求，包括：

步骤b，将所述特征数据输入所述深度神经网络预测模型中，得到所述深度神经网络预测模型对所述特征数据进行分析后输出的数值：其中，

步骤c，当所述数值为1时，确定所述云用户具有云备份产品需求；当所述数值为0时，确定所述云用户没有云备份产品需求。

在本实施例中，通过深度神经网络预测模型对特征数据进行预测，得到深度神经网络预测模型输出的数值，可以理解，深度神经网络预测模型的预测结果分为两种，其一为云用户具有云备份产品需求，对应的数值为1，其二为云用户没有云备份产品需求，对应的数值为0。

进一步地，所述基于所述特征数据和预设的深度神经网络预测模型，预测所述云用户是否具有云备份产品需求之后，包括：

步骤d，基于所述云用户是否具有云备份产品需求的预测结果，获取具有云备份产品需求的云用户清单；其中，所述云用户清单中云用户对应的云用户信息为进行脱敏处理后的云用户信息。

在本实施例中，获取预测结果中具有云备份产品需求的云用户清单，其中，云用户清单中云用户对应的云用户信息为进行脱敏处理后的云用户信息，即云用户信息中不包含敏感信息，从而避免了用户隐私被泄露，起到了保护用户隐私的目的。

与现有技术中，通过这些静态或者浅层算法对云备份产品的潜在使用云用户进行预测时的预测精度较低相比，本申请通过获取云用户的云平台使用数据；对所述云平台使用数据进行预处理，得到用于预测所述云用户是否具有云备份产品需求的特征数据；基于所述特征数据和预设的深度神经网络预测模型，预测所述云用户是否具有云备份产品需求。本申请实现了通过预测准确率高的预设的深度神经网络预测模型，对云用户是否具有云备份产品需求进行预测，提高了云用户的云备份产品需求预测的精度，从而使得营销人员可以通过该云用户清单对云用户进行精准营销，进而显著提高云备份产品营销时的成功率。

此外，本申请还提供一种云备份产品需求预测装置，参照图2，所述云备份产品需求预测装置包括：

第一获取模块10，用于获取云用户的云平台使用数据；

第二获取模块20，用于对所述云平台使用数据进行预处理，得到用于预测所述云用户是否具有云备份产品需求的特征数据；

预测模块30，用于基于所述特征数据和预设的深度神经网络预测模型，预测所述云用户是否具有云备份产品需求。

可选地，所述特征数据包括：与云用户在网时长相关的至少ー个特征数据、与云用户数据量相关的至少一个特征数据、与数据增速量相关的至少ー个特征数据、与硬盘利用率相关的至少ー个特征数据、与硬盘I/O值相关的至少ー个特征数据、与系统软件配置复杂度相关的至少ー个特征数据、与带宽使用率相关的至少ー个特征数据和与云主机并发访问率相关的至少ー个特征数据。

可选地，所述云备份产品需求预测装置还包括：

第三获取模块，用于获取深度神经网络预测模型；其中，

所述第三获取模块还用于：

基于tensorflow搭建深度神经网络模型；其中，所述深度神经网络模型包括设置有N个神经元的输入层、M个分别设置有多个神经元的隐藏层和一个输出层，所述N的取值与所述特征数据的数量相同；

基于预设的训练特征数据，对所述深度神经网络模型进行训练，训练得到所述深度神经网络模型的权重值；

基于已办理云备份产品的云用户所对应的测试特征数据，对加载有所述权重值的深度神经网络模型进行模型准确度测试；

当所述模型准确度大于预设阈值时，将加载有所述权重值的深度神经网络模型确定为所述深度神经网络预测模型。

可选地，所述第三获取模块还包括：

基于所述训练特征数据对所述深度神经网络模型进行迭代训练，得到更新后的深度神经网络模型，并确定所述更新后的深度神经网络模型是否满足预设迭代结束条件；

若所述更新后的深度神经网络模型满足所述预设迭代结束条件，则获取所述更新后的深度神经网络模型的权重值；

若所述更新后的深度神经网络模型未满足所述预设迭代结束条件，则返回所述基于所述训练特征数据对所述深度神经网络模型进行迭代训练，得到更新后的深度神经网络模型步骤，直至所述更新后的深度神经网络模型满足所述预设迭代结束条件。

可选地，所述预测模块30还用于：

将所述特征数据输入所述深度神经网络预测模型中，得到所述深度神经网络预测模型对所述特征数据进行分析后输出的数值：其中，

当所述数值为1时，确定所述云用户具有云备份产品需求；当所述数值为0时，确定所述云用户没有云备份产品需求。

可选地，所述云备份产品需求预测装置还包括：

第四获取模块，用于基于所述云用户是否具有云备份产品需求的预测结果，获取具有云备份产品需求的云用户清单；其中，所述云用户清单中云用户对应的云用户信息为进行脱敏处理后的云用户信息。

本申请云备份产品需求预测装置具体实施方式与上述云备份产品需求预测方法各实施例基本相同，在此不再赘述。

此外，本申请还提供一种云备份产品需求预测设备。如图3所示，图3是本申请实施例方案涉及的硬件运行环境的结构示意图。

需要说明的是，图3即可为云备份产品需求预测设备的硬件运行环境的结构示意图。

如图3所示，该云备份产品需求预测设备可以包括：处理器1001，例如CPU，存储器1005，用户接口1003，网络接口1004，通信总线1002。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。

可选地，云备份产品需求预测设备还可以包括RF(Radio Frequency，射频)电路，传感器、音频电路、WiFi模块等等。

本领域技术人员可以理解，图3中示出的云备份产品需求预测设备结构并不构成对云备份产品需求预测设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

如图3所示，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及云备份产品需求预测程序。其中，操作系统是管理和控制云备份产品需求预测设备硬件和软件资源的程序，支持云备份产品需求预测程序以及其它软件或程序的运行。

在图3所示的云备份产品需求预测设备中，用户接口1003主要用于连接终端，与终端进行数据通信，如接收终端发送的用户信令数据；网络接口1004主要用于后台服务器，与后台服务器进行数据通信；处理器1001可以用于调用存储器1005中存储的云备份产品需求预测程序，并执行如上所述的云备份产品需求预测方法的步骤。

本申请云备份产品需求预测设备具体实施方式与上述云备份产品需求预测方法各实施例基本相同，在此不再赘述。

此外，本申请实施例还提出一种计算机可读存储介质，所述计算机可读存储介质上存储有云备份产品需求预测程序，所述云备份产品需求预测程序被处理器执行时实现如上所述的云备份产品需求预测方法的步骤。

本申请计算机可读存储介质具体实施方式与上述云备份产品需求预测方法各实施例基本相同，在此不再赘述。

此外，为实现上述目的，本申请还提供一种计算机程序产品，包括：计算机程序，所述计算机程序被处理器执行时实现如上所述的云备份产品需求预测方法的步骤。

本申请计算机程序产品具体实施方式与上述云备份产品需求预测方法各实施例基本相同，在此不再赘述。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。

上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括：若干指令用以使得一台终端设备(可以是手机，计算机，服务器，设备，或者网络设备等)执行本申请各个实施例所述的方法。

以上仅为本申请的优选实施例，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。